A Multi-Parameter, High-Content, High-Throughput Screening Platform to Identify Natural Compounds that Modulate Insulin and Pdx1 Expression
Notice bibliographique
Résumé
Diabetes is a devastating disease that is ultimately caused by the malfunction or loss of insulin-producing pancreatic beta-cells. Drugs capable of inducing the development of new beta-cells or improving the function or survival of existing beta-cells could conceivably cure this disease. We report a novel high-throughput screening platform that exploits multi-parameter high-content analysis to determine the effect of compounds on beta-cell survival, as well as the promoter activity of two key beta-cell genes, insulin and pdx1. Dispersed human pancreatic islets and MIN6 beta-cells were infected with a dual reporter lentivirus containing both eGFP driven by the insulin promoter and mRFP driven by the pdx1 promoter. B-score statistical transformation was used to correct systemic row and column biases. Using this approach and 5 replicate screens, we identified 7 extracts that reproducibly changed insulin and/or pdx1 promoter activity from a library of 1319 marine invertebrate extracts. The ability of compounds purified from these extracts to significantly modulate insulin mRNA levels was confirmed with real-time PCR. Insulin secretion was analyzed by RIA. Follow-up studies focused on two lead compounds, one that stimulates insulin gene expression and one that inhibits insulin gene expression. Thus, we demonstrate that multi-parameter, high-content screening can identify novel regulators of beta-cell gene expression, such as bivittoside D. This work represents an important step towards the development of drugs to increase insulin expression in diabetes and during in vitro differentiation of beta-cell replacements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».